CN116152848A - 基于境外众源数据的特征点位置信息挖掘方法及装置 - Google Patents
基于境外众源数据的特征点位置信息挖掘方法及装置 Download PDFInfo
- Publication number
- CN116152848A CN116152848A CN202310350585.9A CN202310350585A CN116152848A CN 116152848 A CN116152848 A CN 116152848A CN 202310350585 A CN202310350585 A CN 202310350585A CN 116152848 A CN116152848 A CN 116152848A
- Authority
- CN
- China
- Prior art keywords
- overseas
- source data
- crowd source
- data
- preset
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
- G06V30/42—Document-oriented image-based pattern recognition based on the type of document
- G06V30/422—Technical drawings; Geographical maps
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/247—Aligning, centring, orientation detection or correction of the image by affine transforms, e.g. correction due to perspective effects; Quadrilaterals, e.g. trapezoids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/72—Data preparation, e.g. statistical preprocessing of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例提供了基于境外众源数据的特征点位置信息挖掘方法及装置,应用于数据处理技术领域。所述方法包括获取目标收集区域对应的境外众源数据;境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;根据预设筛选规则,对境外众源数据进行筛选;按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。以此方式,可以针对境外提供可靠的几何参考点数据源的收集、整理与融合方式。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及遥感应用技术领域,具体涉及一种基于境外众源数据的特征点位置信息挖掘方法及装置。
背景技术
几何特征参考点,即特征点,可以为测图工作提供几何控制信息,还可以作为测图成果平面精度质量检查的重要参考,特征点主要包括独立地物点、线状地物或影像明显的谷脊交叉点、地物明显的角点或拐点等,是测图生产和质量检查中的重要数据。在境外测图生产和质量检查中,可靠的几何参考点数据源的收集、整理与融合方法十分重要,但目前所使用的数据源较为单一,精度难以保证,因此一种基于众源数据的特征点信息挖掘与建设十分重要。
发明内容
本公开提供了一种基于境外众源数据的特征点位置信息挖掘方法及装置。
根据本公开的第一方面,提供了一种基于境外众源数据的特征点位置信息挖掘方法。该方法包括:
获取目标收集区域对应的境外众源数据;境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;
根据预设筛选规则,对所述境外众源数据进行筛选;
按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;
将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息包括:
根据预处理后的境外众源数据特征点的多源位置信息,融合计算每个特征点位唯一的位置信息;
采用预设变换模型,将境外众源数据的每个特征点位唯一的位置信息与其对应点位的包括多源图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息,所述预设变换模型包括平移变换或仿射变换。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据预处理后的境外众源数据特征点的多源位置信息,融合计算每个特征点位唯一的位置信息,包括:
根据预处理后的境外众源数据特征点的多源位置信息,将属于同一特征点位的多源位置信息按照预设方向的顺序连接,生成多边形;
计算所述多边形的重心,并将所述重心的位置信息作为预处理后的境外众源数据每个特征点的多源位置信息对应的唯一的位置信息;
其中,通过下式计算所述多边形的重心:
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在获取目标收集区域对应的境外众源数据之前,所述方法还包括:
获取并矢量化预设收集范围,所述预设收集范围包括所有待收集的特征点的初步范围;
利用包括渔网工具的矢量化工具并结合地表覆盖类型,在预设特征点的收集范围中生成初步收集的点位位置;
根据生成点位后的矢量位置预设特征点初步收集点位位置的缓冲区外接矩形,确定特征点收集范围内特征点对应的目标矢量范围。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根据预设筛选规则,对获取的目标矢量范围内对应的境外众源数据进行筛选,包括:
对所述境外众源数据进行有效性筛选与精度一致性筛选,通过这两层递进式的筛选过后得到可靠的境外众源数据集。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根据预设筛选规则,对所述境外众源数据进行有效性筛选,包括:
对获取的目标矢量范围内对应的境外众源数据进行有效性筛选,将不符合要求的数据进行删除,有效性筛选的内容包括删除无效数据、删除包含内部畸变的数据、删除分辨率不符合要求的数据。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,根据预设筛选规则,对所述境外众源数据进行精度一致性筛选,包括:
对所述有效性筛选完成后,对目标矢量范围内每个特征点位对应获取的境外众源数据进行比对,删除与其他数据源相差超过预设差值的数据,将众源数据中因包括时效性与季节性变化的因素引起的地物变化进行筛选删除,以保证众源数据的精度一致性。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理包括:
按照点位对应的境外众源数据个数以及位置精度的标准差,对筛选后的境外众源数据进行分级;
按照预设标准化及结构化格式,对分级后的境外众源数据进行标准化和结构化处理;预设标准化格式包括预设储存数据格式、预设储存命名格式,预设结构化格式包括预设储存目录格式。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述按照点位对应的境外众源数据个数以及位置精度的标准差,对筛选后的境外众源数据进行分级还包括:
对境外众源数据特征点位置信息分级,结合筛选结束后每个特征点位数据源的个数以及每个点位的位置精度标准差进行四级划分;
其中,设置两个阈值,第一个阈值设置为众源数据源的数量,第二个阈值设置为每个特征点位的位置精度标准差,以使通过两个阈值共同控制境外众源数据特征点位置精度分级;设置第一阈值为M、每个点位获取数据源的数量为固定的N,选取0<M≤N的整数代表需要控制数量分级的阈值,当同一特征点位获取的数据源越多时点位信息越准确;设置第二阈值为X,选取X>0的值作为标准差的分级阈值,当点位的标准差越小时特征点位信息越准确;设置境外众源数据特征点数据源数量为n,标准差为x,x、X、n以及M为大于0的正整数;
点位精度分级标准包括:
当x≤X且n≥M时,众源特征点位置精度分级为一级;
当x≤X且n<M时,众源特征点位置精度分级为二级;
当x>X且n≥M时,众源特征点位置精度分级为三级;
当x>X且n<M时,众源特征点位置精度分级为四级。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述方法还包括:
将结构化后的目标特征点位置信息储存至数据库中。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,在所述获取目标收集区域对应的境外众源数据之后,所述方法还包括:
储存并备份境外众源数据。
根据本公开的第二方面,提供了一种基于境外众源数据的特征点位置信息挖掘装置。该装置包括:
获取模块,用于获取目标收集区域对应的境外众源数据;所述境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;
筛选模块,用于根据预设筛选规则,对所述境外众源数据进行筛选;
预处理模块,用于按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;
融合模块,用于将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如以上所述的方法。
本申请实施例提供的基于境外众源数据的特征点位置信息挖掘方法及装置,能够通过获取目标收集区域对应的境外众源数据,其中境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;再根据预设筛选规则,对境外众源数据进行筛选,再按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;再将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息,能够针对境外提供可靠的几何参考点数据源的收集、整理与融合方式,从而实现多数据源且保证精度的一种基于众源数据的特征点信息挖掘与建设方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征,亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本公开的实施例的基于境外众源数据的特征点位置信息挖掘方法的流程图;
图2示出了根据本公开的实施例的基于境外众源数据的特征点位置信息挖掘装置的框图;
图3示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
特征点可以为测图工作提供几何控制信息,还可以作为测图成果平面精度质量检查的重要参考。对于境内来说,可以直接采用外业实地测量的方法,获得一定数量的特征点。然而,对于境外来说,因境外无法方便的获得足够数量的特征点作为参考,所以上述方法并不适用与境外。
在当前的境外测图中,常用的方法包括两种,一种是使用极少数的特征点进行测图生成,但这种方法由于用于检查的特征点数量有限,因此无法保障测图精度和质量检查的可靠性;另一种是利用更高分辨率的影像作为参考进行测图生成,但这种方法存在更高分辨率影像获取难度大、费用高且无法大面积推广使用的局限性。
本公开中,能够针对境外提供可靠的几何参考点数据源的收集、整理与融合方式,从而实现多数据源且保证精度的一种基于众源数据的特征点信息挖掘与建设方法。
图1示出了根据本公开实施例的基于境外众源数据的特征点位置信息挖掘方法100的流程图。
在框110,获取目标收集区域对应的境外众源数据;境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据。
在框120,根据预设筛选规则,对境外众源数据进行筛选。
在框130,按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理。
在框140,将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。
在框110中,获取境外众源数据:特征点指目视较周围地物较为突出的位置,如道路交叉口。可以根据需要划定几何特征参考点的收集区域,在该收集区域内获取谷歌地图(Google)、微软地图(Bing Map)、ESRI地图、OSM(Open Street Map)地图以及网络上的特征语义等包含特征点位置的多源境外数据。
在一些实施例中,在上述获取目标收集区域对应的境外众源数据之前,上述方法还包括:步骤11。
步骤11、获取并矢量化预设收集范围,预设收集范围包括所有待收集的特征点的初步范围;利用包括渔网工具的矢量化工具并结合地表覆盖类型,在预设特征点的收集范围中生成初步收集的点位位置;根据生成点位后的矢量位置预设特征点初步收集点位位置的缓冲区外接矩形,确定特征点收集范围内特征点对应的目标矢量范围。
在步骤11中,根据收集几何特征参考点的需要,确定预设收集区域,即包括所有待收集的特征点的初步范围。首先将包括所有待收集的特征点的初步范围矢量化,所有几何特征参考点均在此范围内。由于几何特征参考点为分散点位,因此需要在收集范围内布设分布均匀,数量足够的几何特征参考点位。可采用鱼网法均匀选取点位后,以一定的范围作为缓冲区,再取缓冲区的外接矩形作为几何特征参考点影像收集区域。将初步确定的范围叠加地表覆盖类型将无效位置删除,如湖面,海面等不适宜作为几何特征参考点的区域,最终得到确定的几何特征参考点收集范围。
在一些实施例中,上述获取目标收集区域对应的境外众源数据具体包括:步骤12。
在步骤12中,当需要收集几何特征参考点的具体点位矢量范围确定之后,利用地图下载工具根据矢量范围下载几何特征参考点影像。几何特征参考点位以一定范围的影像进行收集。下载的数据源包括谷歌地图(Google)、微软地图(Bing Map)、ESRI地图、OSM(Open Street Map)地图等开源的数据,下载无偏移的版本,必要时可适当扩充下载数据源范围。
在一些实施例中,在上述获取目标收集区域对应的境外众源数据之后,上述方法还包括:步骤13。
在步骤13中,储存并备份境外众源数据。将境外众源数据存储到指定位置,即将下载好的数据拷贝至固定的工作区,以便后续对下载数据的处理。另外需要将下载的完整数据进行备份,以防数据处理过程中出现错误操作而无法恢复时,备份数据可以节省重新收集数据的步骤。
在框120中,境外众源数据筛选:对获取的境外众源数据按照相关需求进行筛选,将下载的数据进行整理筛选出可作为几何特征参考点的数据,筛选原则为数据的有效性、内部精度一致性等。通过对境外众源数据进行有效性筛选与精度一致性筛选,这两层递进式的筛选过后得到可靠的境外众源数据集。
在一些实施例中,上述根据预设筛选规则,对境外众源数据进行有效性筛选具体包括:步骤21。
在步骤21中,对获取的目标矢量范围内对应的境外众源数据进行有效性筛选,将不符合要求的数据进行删除,有效性筛选的内容包括删除无效数据、删除包含内部畸变的数据、删除分辨率不符合要求的数据。
具体地,对下载的多种数据源的几何特征参考点影像进行有效性筛选,将不符合要求的数据进行删除。有效性筛选的内容包括:无效数据、包含内部畸变的数据、分辨率不符合要求的数据等内容。其中,无效数据是指下载影像无纹理信息,一般为全黑或者全白的影像,属性缺失的矢量等没有实际物理意义的数据;内部畸变的数据是指下载数据内部地物发生了变形,比如道路断裂,房屋扭曲等现象,这类数据无法保证内部精度的一致性所以视为无效数据;分辨率不符合要求的数据是指下载数据未达到要求的精度,几何特征参考点较难获取的区域可以适当放宽。将以上几大类数据进行删除,保证保留下来的几何特征参考点影像是有效点位。
在一些实施例中,上述根据预设筛选规则,对境外众源数据进行精度一致性筛选具体包括:步骤22。
在步骤22中,对有效性筛选完成后,对目标矢量范围内每个特征点位对应获取的境外众源数据进行比对,删除与其他数据源相差超过预设差值的数据,将众源数据中因包括时效性与季节性变化的因素引起的地物变化进行筛选删除,以保证众源数据的精度一致性。
具体地,当完成有效性筛选后,还需要进行每个几何特征参考点位上所有下载数据间的比对。若单一点位上下载的数据时效差异较大,季节差异较大时进行删除。其中,时效差异较大是指无论自然地物还是人工地物间的差异不能过大,例如,同一位置谷歌地图影像上存在建筑物而微软地图与ESRI地图影像上的建筑物完全不同,这类几何特征参考点影像很难提供有效的位置信息,因此需要将这类几何特征参考点位删除。
在框130中,众源信息标准化处理:按照点位对应的境外众源数据个数以及位置精度的标准差,对筛选后的境外众源数据进行分级;按照预设标准化及结构化格式,对分级后的境外众源数据进行标准化和结构化处理;预设标准化格式包括预设储存数据格式、预设储存命名格式,预设结构化格式包括预设储存目录格式。
具体地,针对不同类型的数据源,按照获取时间、数据来源、X坐标、Y坐标、备注等信息进行结构化和标准化处理。将筛选过的众源数据进行分级分类组织,获取的众源数据在每个几何特征参考点位有效的数据作为分类依据,同时规范化数据的存储格式。
在一些实施例中,上述按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理具体包括:步骤31。
在步骤31中,众源信息存储格式标准化,即预设储存数据格式:将下载影像均存储为统一的格式,可选择GeoTIFF格式,也可采用其他格式,目的是将所有数据按照统一的规格进行存储。这些被选择的存储格式必须要可以描述数据的坐标信息,同时数据位深也需要进行统一。一般采用8位无符号整形进行数据存储。
在一些实施例中,上述按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理还具体包括:步骤32。
在步骤32中,众源信息命名方式标准化,即预设储存命名格式:存储格式统一后,还需要将影像的名称进行标准化,以便后续方便调用。命名方式采用“数据源_经度_纬度_分辨率_等级”。其中,数据源是指下载的数据来源,如谷歌地图、微软地图等;经度与纬度是指下载影像的中心点位的地理坐标,采用椭球参考系统,如WGS_84;分辨率是指收集数据的空间分辨率情况,需注明单位;等级是指经过筛选后每个点位上获取的影像越多可能收集到的点位信息就越可靠,因此每个点位根据获取影像的数量将几何特征参考点位进行分级,如Google_E123.7_N47.8_2m_1.GIF,代表在东经123.7度北纬47.8度位置收集到2米分辨率谷歌地图等级为一级的几何特征参考点影像信息。
在一些实施例中,上述按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理还具体包括:步骤33。
在步骤33中,众源信息存储目录标准化,即预设储存目录格式:标准化处理后的数据每个点位单独存储在一个文件夹内,每个文件夹的命名方式为“经度_纬度_分辨率_等级”,并将同一等级的所有点位数据均存放在一个文件夹下。文件夹的命名方式为“等级”。
需要说明的是,上述按照点位对应的境外众源数据个数以及位置精度的标准差,对筛选后的境外众源数据进行分级,为指定分级标准的处理过程,具体的分级过程如下文中步骤42所示。
在框140中,众源特征点位置信息融合:根据预处理后的境外众源数据特征点的多源位置信息,融合计算每个特征点位唯一的位置信息;采用预设变换模型,将境外众源数据的每个特征点位唯一的位置信息与其对应点位的包括多源图像、矢量等的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息,其中预设变换模型包括平移变换或仿射变换等。
在一些实施例中,上述根据预处理后的境外众源数据特征点的多源位置信息,融合计算每个特征点位唯一的位置信息具体包括:步骤41。
在步骤41中,根据预处理后的境外众源数据特征点的多源位置信息,将属于同一特征点位的多源位置信息按照预设方向的顺序连接,生成多边形;计算多边形的重心,并将重心的位置信息作为预处理后的境外众源数据每个特征点的多源位置信息对应的唯一的位置信息。
具体地,将经过筛选整理的多种数据源的几何特征参考点数据中的特征点进行融合。首先是位置信息的融合,收集众源几何特征参考点数据同一特征点位的坐标信息,将同一特征点位的坐标信息按照逆时针方向顺序连接形成不规则多边形,计算多边形的重心作为此点位的坐标位置。此过程中完成坐标信息的融合,融合后的位置信息还需要更新到多源几何特征参考点影像上,最终完成众源特征点的位置信息融合。位置信息的融合采用几何重心法,假设众源特征点坐标为,N为特征点的个数减1,由于最终形成的是闭合多边形,所以/>与/>为同一个坐标点位,将属于同一点位的特征点的位置信息按照逆时针方向的顺序连接,通过下式计算多边形的重心:
其中,N表示特征点的个数减1,表示第i个特征点的坐标位置,A表示第i特征点生成的对应的多边形的面积,即参与计算的任意三个不同点位坐标所围成的三角形的面积,/>表示多边形重心的坐标位置,也就是融合后的点位的位置信息,N为大于2的整数,i为大于或等于0的整数。
然后,在坐标信息融合后,还需将新坐标与几何特征参考点影像进行融合,也就是更新几何特征参考点影像的坐标信息,可采用多种变换模型来实现,如平移变换,仿射变换等。
在一些实施例中,在上述采用预设变换模型,将境外众源数据的每个特征点位唯一的位置信息与其对应点位的包括多源图像、矢量等的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息之后,上述方法还包括:步骤42。
在步骤42中,众源特征点位置信息分级:对境外众源数据特征点位置信息分级,结合筛选结束后每个特征点位数据源的个数以及每个点位的位置精度标准差进行四级划分;
其中,设置两个阈值,第一个阈值设置为众源数据源的数量,第二个阈值设置为每个特征点位的位置精度标准差,以使通过两个阈值共同控制境外众源数据特征点位置精度分级;设置第一阈值为M、每个点位获取数据源的数量为固定的N,选取0<M≤N的整数代表需要控制数量分级的阈值,当同一特征点位获取的数据源越多时点位信息越准确;设置第二阈值为X,选取X>0的值作为标准差的分级阈值,当点位的标准差越小时特征点位信息越准确;设置境外众源数据特征点数据源数量为n,标准差为x,x、X、n以及M为大于0的正整数;
点位精度分级标准包括:
当x≤X且n≥M时,众源特征点位置精度分级为一级;
当x≤X且n<M时,众源特征点位置精度分级为二级;
当x>X且n≥M时,众源特征点位置精度分级为三级;
当x>X且n<M时,众源特征点位置精度分级为四级。
点位精度分级标准如表1所示:
表1:众源特征点位置信息分级标准对照表
需要注意的是,当完成众源特征点信息的分级后,可以按照步骤32、步骤33的命名方式与数据组织方式将数据进行重新命名与组织存储。
在一些实施例中,在上述采用预设变换模型,将境外众源数据的每个特征点位唯一的位置信息与其对应点位的包括多源图像、矢量等的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息之后,上述方法还包括:步骤43。
在步骤43中,众源特征点位置分级建库:将分级存储好的特征点位信息进行数据库表的设计,按照规定的模式存储到数据库中,方便后续的管理与使用,通过数据库的建立完成众源控制资料的管理存储,为众源数据的使用打好基础,为后续工作的开展提供较好的参考数据。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图2示出了根据本公开的实施例的基于境外众源数据的特征点位置信息挖掘装置200的方框图。如图2所示,装置200包括:
获取模块210,用于获取目标收集区域对应的境外众源数据;所述境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;
筛选模块220,用于根据预设筛选规则,对所述境外众源数据进行筛选;
预处理模块230,用于按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;
融合模块240,用于将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图3示出了可以用来实施本公开的实施例的电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
电子设备300包括计算单元301,其可以根据存储在ROM302中的计算机程序或者从存储单元308加载到RAM303中的计算机程序,来执行各种适当的动作和处理。在RAM303中,还可存储电子设备300操作所需的各种程序和数据。计算单元301、ROM302以及RAM303通过总线304彼此相连。I/O接口305也连接至总线304。
电子设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许电子设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如方法100。例如,在一些实施例中,方法100可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM302和/或通信单元309而被载入和/或安装到电子设备300上。当计算机程序加载到RAM303并由计算单元301执行时,可以执行上文描述的方法100的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法100。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置;以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (12)
1.一种基于境外众源数据的特征点位置信息挖掘方法,其特征在于,包括:
获取目标收集区域对应的境外众源数据;所述境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;
根据预设筛选规则,对所述境外众源数据进行筛选;
按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;
将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。
2.根据权利要求1所述的方法,其特征在于,所述将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息包括:
根据预处理后的境外众源数据特征点的多源位置信息,融合计算每个特征点位唯一的位置信息;
采用预设变换模型,将境外众源数据的每个特征点位唯一的位置信息与其对应点位的包括多源图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息,所述预设变换模型包括平移变换或仿射变换。
4.根据权利要求1所述的方法,其特征在于,在所述获取目标收集区域对应的境外众源数据之前,所述方法还包括:
获取并矢量化预设收集范围,所述预设收集范围包括所有待收集的特征点的初步范围;
利用包括渔网工具的矢量化工具并结合地表覆盖类型,在预设特征点的收集范围中生成初步收集的点位位置;
根据生成点位后的矢量位置预设特征点初步收集点位位置的缓冲区外接矩形,确定特征点收集范围内特征点对应的目标矢量范围。
5.根据权利要求4所述的方法,其特征在于,根据预设筛选规则,对获取的目标矢量范围内对应的境外众源数据进行筛选,包括:
对所述境外众源数据进行有效性筛选与精度一致性筛选,通过这两层递进式的筛选过后得到可靠的境外众源数据集。
6.根据权利要求5所述的方法,其特征在于,根据预设筛选规则,对所述境外众源数据进行有效性筛选,包括:
对获取的目标矢量范围内对应的境外众源数据进行有效性筛选,将不符合要求的数据进行删除,有效性筛选的内容包括删除无效数据、删除包含内部畸变的数据、删除分辨率不符合要求的数据。
7.根据权利要求5所述的方法,其特征在于,根据预设筛选规则,对所述境外众源数据进行精度一致性筛选,包括:
对有效性筛选完成后,对目标矢量范围内每个特征点位对应获取的境外众源数据进行比对,删除与其他数据源相差超过预设差值的数据,将众源数据中因包括时效性与季节性变化的因素引起的地物变化进行筛选删除,以保证众源数据的精度一致性。
8.根据权利要求1所述的方法,其特征在于,所述按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理包括:
按照点位对应的境外众源数据个数以及位置精度的标准差,对筛选后的境外众源数据进行分级;
按照预设标准化及结构化格式,对分级后的境外众源数据进行标准化和结构化处理;预设标准化格式包括预设储存数据格式、预设储存命名格式,预设结构化格式包括预设储存目录格式。
9.根据权利要求8所述的方法,其特征在于,所述按照点位对应的境外众源数据个数以及位置精度的标准差,对筛选后的境外众源数据进行分级还包括:
对境外众源数据特征点位置信息分级,结合筛选结束后每个特征点位数据源的个数以及每个点位的位置精度标准差进行四级划分;
其中,设置两个阈值,第一个阈值设置为众源数据源的数量,第二个阈值设置为每个特征点位的位置精度标准差,以使通过两个阈值共同控制境外众源数据特征点位置精度分级;设置第一阈值为M、每个点位获取数据源的数量为固定的N,选取0<M≤N的整数代表需要控制数量分级的阈值,当同一特征点位获取的数据源越多时点位信息越准确;设置第二阈值为X,选取X>0的值作为标准差的分级阈值,当点位的标准差越小时特征点位信息越准确;设置境外众源数据特征点数据源数量为n,标准差为x,x、X、n以及M为大于0的正整数;
点位精度分级标准包括:
当x≤X且n≥M时,众源特征点位置精度分级为一级;
当x≤X且n<M时,众源特征点位置精度分级为二级;
当x>X且n≥M时,众源特征点位置精度分级为三级;
当x>X且n<M时,众源特征点位置精度分级为四级。
10.根据权利要求9所述的方法,其特征在于,所述方法还包括:
将结构化后的目标特征点位置信息储存至数据库中。
11.根据权利要求1所述的方法,其特征在于,在所述获取目标收集区域对应的境外众源数据之后,所述方法还包括:
储存并备份境外众源数据。
12.一种基于境外众源数据的特征点位置信息挖掘装置,其特征在于,包括:
获取模块,用于获取目标收集区域对应的境外众源数据;所述境外众源数据为包括目标收集区域内以特征点为中心预设范围内包括位置信息的卫星地图、电子地图以及网络特征语义的多源境外数据;
筛选模块,用于根据预设筛选规则,对所述境外众源数据进行筛选;
预处理模块,用于按照预设预处理规则,对筛选后的境外众源数据进行标准化和结构化处理;
融合模块,用于将预处理后的境外众源数据中特征点的位置信息与其对应点位的包括图像、矢量的其他信息进行融合,得到目标收集区域内特征点位对应的境外众源数据位置融合信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310350585.9A CN116152848B (zh) | 2023-04-04 | 2023-04-04 | 基于境外众源数据的特征点位置信息挖掘方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310350585.9A CN116152848B (zh) | 2023-04-04 | 2023-04-04 | 基于境外众源数据的特征点位置信息挖掘方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116152848A true CN116152848A (zh) | 2023-05-23 |
CN116152848B CN116152848B (zh) | 2023-07-25 |
Family
ID=86350831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310350585.9A Active CN116152848B (zh) | 2023-04-04 | 2023-04-04 | 基于境外众源数据的特征点位置信息挖掘方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116152848B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136219A (zh) * | 2019-04-17 | 2019-08-16 | 太原理工大学 | 一种基于多源数据融合的二三维地图展示方法 |
US20210216862A1 (en) * | 2020-01-15 | 2021-07-15 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
CN115170863A (zh) * | 2022-06-08 | 2022-10-11 | 东软睿驰汽车技术(沈阳)有限公司 | 基于多源数据预估风险的方法、装置、设备及存储介质 |
CN115855084A (zh) * | 2022-11-30 | 2023-03-28 | 北京百度网讯科技有限公司 | 地图数据融合方法、装置、电子设备及自动驾驶产品 |
-
2023
- 2023-04-04 CN CN202310350585.9A patent/CN116152848B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136219A (zh) * | 2019-04-17 | 2019-08-16 | 太原理工大学 | 一种基于多源数据融合的二三维地图展示方法 |
US20210216862A1 (en) * | 2020-01-15 | 2021-07-15 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
CN115170863A (zh) * | 2022-06-08 | 2022-10-11 | 东软睿驰汽车技术(沈阳)有限公司 | 基于多源数据预估风险的方法、装置、设备及存储介质 |
CN115855084A (zh) * | 2022-11-30 | 2023-03-28 | 北京百度网讯科技有限公司 | 地图数据融合方法、装置、电子设备及自动驾驶产品 |
Also Published As
Publication number | Publication date |
---|---|
CN116152848B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230042968A1 (en) | High-definition map creation method and device, and electronic device | |
CN112527916A (zh) | 一种基于遥感影像的网格可视化定义与智能特征分析方法 | |
Ares Oliveira et al. | Machine Vision algorithms on cadaster plans | |
Borisov et al. | An automated process of creating 3D city model for monitoring urban infrastructures | |
CN116152848B (zh) | 基于境外众源数据的特征点位置信息挖掘方法及装置 | |
Hui et al. | Automatic morphological filtering algorithm for airborne lidar data in urban areas | |
Kieler et al. | Matching river datasets of different scales | |
CN116503572A (zh) | 一种智慧招商平台及其空间建模方法 | |
Gergel'ova et al. | Automation of spatial model creation in GIS environment | |
CN114490907A (zh) | 名城管理数据库的构建方法、装置及存储介质 | |
Chen et al. | A new DEM generalization method based on watershed and tree structure | |
Schon et al. | Three-dimensional spatial information systems: State of the art review | |
CN113205042A (zh) | 一种城市多层次边界的识别方法及系统 | |
CN113112603B (zh) | 三维模型优化的方法和装置 | |
CN117649530B (zh) | 基于语义级拓扑结构的点云特征提取方法、系统及设备 | |
Bool et al. | Automated building detection using RANSAC from classified LiDAr point cloud data | |
CN116246069B (zh) | 自适应地形点云滤波的方法、装置、智能终端及存储介质 | |
US11651511B2 (en) | Computer vision systems and methods for determining roof shapes from imagery using segmentation networks | |
CN113112603A (zh) | 三维模型优化的方法和装置 | |
US20240153207A1 (en) | Systems, methods, and media for filtering points of a point cloud utilizing visibility factors to generate a model of a scene | |
CN113313101B (zh) | 一种建筑物轮廓自动聚合方法、装置、设备及存储介质 | |
CN115861561B (zh) | 一种基于语义约束的等高线生成方法和装置 | |
Rakićević | An Automated Process of Creating 3D City Model for Monitoring Urban Infrastructures | |
Picu et al. | The Future of Mapping–3D Maps, the Comparison of two of the Most Used Methods in Photogrammetric Field | |
Bulatov et al. | Identification and correction of road courses by merging successive segments and using improved attributes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |